SkillPedia Skills Encyclopedia
中文 EN
今日更新 2026-11-17 UTC

今天还没有新提交

查看更新动态

AI 与大模型 · 进阶

RAG(检索增强生成)

Retrieval-Augmented Generation

让模型在回答前先翻一遍你的资料,搜出相关段落再照着这些内容作答。资料可以随时替换,不必重新训练模型,也是压制它胡编的常用手段。

AI 与大模型 进阶 站内文案里出现过 76 次,涉及 29 个条目 507 字 约 1 分钟读完 393 次阅读

TL;DR三十秒版本

  1. 回答之前先翻一遍你给的资料,找到相关段落再落笔,相当于开卷答题。
  2. 它的好处是资料随时能换、模型不用重训,坏处是找不到就照样瞎编。
  3. 答得准不准,很大程度看它有没有把对的段落翻出来。

Overview详细说说

RAG 的全称是检索增强生成。用户提问之后,系统先去你的资料库里搜出最相关的几段,把这几段和问题一起交给模型,让模型照着手头的材料来写答案。整个过程里,模型本身没有被动过一个字。

模型掌握的知识是训练时灌进去的,有截止时间,也不了解你公司的内部文档。问它上个月刚定的合同条款,它只能凭印象猜。要让它知道新东西,重新训练一次代价太高,RAG 就把这一步绕开了——资料留在模型外面,回答时临时递进去。

典型的落点是需要准确性的问答。把产品手册、规章制度、历史工单整理进资料库,员工提问时先检索、再作答,系统通常还会附上引用出处,方便人翻回原文核对。客服机器人、内部知识助手,走的都是这个路子。

RAG 和微调经常被放在一起比较。RAG 是临时给参考资料,换资料时不动模型;微调是把新本事练进模型内部,要重新训练、要花算力。要它“查到某份文件里写了什么”,选 RAG;要它“换一种固定口吻说话”,才轮到微调。上下文工程则是更上一层的东西,它决定每次递进去的全部信息怎么挑、怎么排,RAG 只是其中一种手段。

别把 RAG 当成聪明药。它只负责把资料找出来递过去,检索这一步找错了段落,模型照样会答错,而且还答得理直气壮。系统的上限,很大程度上取决于资料找得准不准。

Myths常见误解

  • 以为它是把知识装进了模型脑子里 其实资料一直放在外面,每次回答才临时递进去,删掉资料它就不知道了
  • 以为上了它就不会答错 它只是把材料找出来,翻错页时照样错,引用出处仍要自己核
  • 以为资料越全答得越好 资料互相打架或过期时,它挑到哪段就照哪段答,全和准是两回事

In practice你会在哪用到它

  • 把公司规章和产品手册传进系统,员工提问时它先查这几份再回答
  • 给机器人接上内部工单记录,客户一描述问题,它就翻出相似的旧单子
  • 拿到答案时顺手点开后面附的出处,回到原文确认那一条

Summary记住这几点就够了

  • 先检索资料,再让模型照着这些内容回答
  • 资料放在模型外面,更新时不用重新训练
  • 常见于客服问答和内部知识查询
  • 和微调的分界:它换资料,微调改的是模型本身

常见问题

RAG(检索增强生成)是什么意思?

回答之前先翻一遍你给的资料,找到相关段落再落笔,相当于开卷答题。它的好处是资料随时能换、模型不用重训,坏处是找不到就照样瞎编。答得准不准,很大程度看它有没有把对的段落翻出来。

RAG(检索增强生成)一般用在什么地方?

把公司规章和产品手册传进系统,员工提问时它先查这几份再回答;给机器人接上内部工单记录,客户一描述问题,它就翻出相似的旧单子;拿到答案时顺手点开后面附的出处,回到原文确认那一条。

关于RAG(检索增强生成),最容易搞错的是什么?

以为它是把知识装进了模型脑子里,其实其实资料一直放在外面,每次回答才临时递进去,删掉资料它就不知道了;以为上了它就不会答错,其实它只是把材料找出来,翻错页时照样错,引用出处仍要自己核。

RAG(检索增强生成)要记住哪几点?

先检索资料,再让模型照着这些内容回答;资料放在模型外面,更新时不用重新训练;常见于客服问答和内部知识查询;和微调的分界:它换资料,微调改的是模型本身。

容易踩的坑 检索不到或找错段落时模型照样会编,答案质量取决于资料找得准不准。

全站第 17 / 186 条 · 全部词条

接着读Related reading

接着去哪Explore more

回到技能本身

词典里讲到的这些概念,大多一条命令就能装进你的 AI 客户端。